Útmutatóhoz kapcsolódó kvíz · Kemény Szint

Minimum Bayes kockázati dekódolási kvíz

Tests expected utility, sampled pseudo-references, quadratic candidate comparisons, metric limits, and the candidate-pool constraints of MBR decoding.

Kapcsolódó útmutató utakMinimális Bayes kockázati dekódolás
kérdés 1 -ból 8

Mit választ az MBR dekódolás az egyetlen legvalószínűbb sorozat helyett?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mit választ az MBR dekódolás az egyetlen legvalószínűbb sorozat helyett?
    • Az a jelölt, akinek a legnagyobb várható hasznossága más valószínű kimenetekhez képest
    • A legrövidebb sorozat
    • Véletlenszerű minta
    • A leghosszabb sorozat
  2. Mivel a valódi hivatkozások nem érhetők el, mit használ az MBR pszeudo-hivatkozásként?
    • Rögzített külső korpusz
    • Maguk a mintavételezett jelölt kimenetek készlete
    • Emberi annotációk
    • Az edzőkészlet
  3. Miért drága a naiv MBR számítási szempontból?
    • Ehhez a modell átképzése szükséges
    • Nagyobb szókincs kell hozzá
    • N jelölt páronkénti összehasonlítása O(N négyzetes) metrikahívás
    • Nem használ GPU-t
  4. What has COMET been used for in minimum Bayes risk machine-translation experiments?
    • As a universal guarantee of better translation quality
    • As a tokenizer for the candidate pool
    • As an exact reference translation available at inference
    • As a learned utility metric in evaluated translation settings
  5. Az érvelés önkonzisztenciája az MBR-hez kapcsolódik, mert:
    • Számos láncot mintát vesz, és kiválasztja a leginkább egyeztetett választ
    • Mindig az első mintaválaszt veszi át
    • Belső sugárkeresést használ
    • Figyelmen kívül hagyja a modell eloszlását
  6. How is risk generally expressed in minimum Bayes risk decision-making?
    • Always one minus a normalized similarity score
    • Expected loss under a chosen loss function and reference distribution
    • The model’s parameter count divided by accuracy
    • The number of candidates sampled
  7. If the chosen utility metric disagrees with human judgments, what will MBR primarily optimize?
    • Human preference automatically overrides the metric
    • The model’s raw next-token likelihood
    • The expected utility under that selected metric
    • The shortest candidate in the pool
  8. If a high-quality answer is missing from the sampled candidate pool, what can MBR do?
    • It guarantees the missing answer is generated
    • It changes the model weights to add the answer
    • It replaces the utility metric with a human reference
    • It can only select or rerank candidates that are in the pool